Data Visualization

Trực quan hóa dữ liệu là việc biểu diễn thông tin và dữ liệu dưới dạng đồ họa, đóng vai trò như một lớp chuyển đổi quan trọng, biến các tập dữ liệu số phức tạp thành những ngữ cảnh trực quan dễ tiếp cận như biểu đồ, đồ thị và bản đồ. Trong các lĩnh vực chuyên biệt như Trí tuệ nhân tạo (AI) và Machine Learning (ML), phương pháp này không thể thiếu để diễn giải lượng lớn tensor và xác suất do các model tạo ra. Bằng cách tận dụng các công cụ như Ultralytics Platform, kỹ sư có thể trực quan hóa chú thích của dataset và tiến trình training, nhờ đó dễ dàng xác định các xu hướng, giá trị ngoại lệ và mẫu hình vốn có thể bị che khuất trong các bảng tính thô. Trực quan hóa hiệu quả thúc đẩy tính minh bạch, cho phép developer debug hệ thống và giúp các bên liên quan tin tưởng vào quy trình ra quyết định tự động.

Vai trò của trực quan hóa trong Computer Vision#

Đối với các quy trình Computer Vision (CV), trực quan hóa được áp dụng ở mọi giai đoạn trong vòng đời của model, từ thu thập dữ liệu ban đầu đến deployment cuối cùng.

• Phân tích dữ liệu khám phá (EDA): Trước khi training, các chuyên gia sử dụng trực quan hóa để tìm hiểu dữ liệu đầu vào. Các thư viện như Matplotlib và Seaborn hỗ trợ vẽ biểu đồ phân bố lớp nhằm phát hiện độ chệch của dataset. Phân tích các phân bố này giúp đảm bảo dữ liệu training phản ánh chính xác môi trường thực tế.
• Động lực training: Trong quá trình học, kỹ sư theo dõi hiệu năng bằng cách vẽ hàm loss và độ chính xác theo thời gian. Các công cụ như TensorBoard hoặc Weights & Biases cho phép người dùng theo dõi các metric này theo thời gian thực, giúp phát hiện sớm các vấn đề như overfitting hoặc gradient biến mất trong quá trình training.
• Kết quả inference: Ứng dụng trực tiếp nhất là phủ các dự đoán của model lên hình ảnh. Việc này bao gồm vẽ bounding box cho các tác vụ detection, tô các mask theo từng pixel cho phân đoạn hình ảnh, hoặc vẽ các keypoint cho ước lượng pose.

Các ứng dụng trong thực tế#

Trực quan hóa thu hẹp khoảng cách giữa các metric kỹ thuật và giá trị kinh doanh trong nhiều ngành khác nhau.

1. Chẩn đoán y tế: Trong AI trong y tế, trực quan hóa được sử dụng để làm nổi bật các bất thường trong ảnh y khoa. Ví dụ, một model xử lý ảnh MRI có thể sử dụng các lớp phủ segmentation để mã hóa màu cho các vùng khối u. Công cụ hỗ trợ trực quan này giúp bác sĩ X-quang đưa ra chẩn đoán nhanh hơn và chính xác hơn, đồng thời là một thành phần cốt lõi của AI có khả năng giải thích (XAI).

2. Phân tích bán lẻ: Đối với AI trong bán lẻ, quản lý cửa hàng sử dụng heatmap được tạo từ các luồng giám sát. Những hình ảnh trực quan này tổng hợp các mô hình di chuyển của khách hàng theo thời gian, cho thấy các "điểm nóng" có lưu lượng người qua lại cao. Dữ liệu này hỗ trợ tối ưu hóa bố cục cửa hàng và chiến lược sắp xếp sản phẩm mà không yêu cầu người dùng phải phân tích các log tọa độ thô.

Phân biệt các thuật ngữ liên quan#

• Phân tích dữ liệu: Đây là lĩnh vực khoa học rộng hơn về phân tích dữ liệu thô để đưa ra kết luận. Trực quan hóa là một kỹ thuật được sử dụng trong phân tích nhằm trình bày các phát hiện. Bạn có thể đọc thêm về sự khác biệt này trong hướng dẫn về analytics của Tableau.
• Khai phá dữ liệu: Khai phá dữ liệu tập trung vào việc phát hiện bằng thuật toán các mẫu hình và mối tương quan trong các tập dữ liệu lớn. Trong khi hoạt động khai phá trích xuất insight, trực quan hóa cung cấp giao diện đồ họa để xem các insight đó.
• Dashboard: Dashboard là tập hợp nhiều hình ảnh trực quan được sắp xếp trên một màn hình duy nhất để cung cấp cái nhìn tổng quan toàn diện về tình trạng hệ thống hoặc các KPI kinh doanh, thường được sử dụng trong những công cụ business intelligence như Microsoft Power BI.

Triển khai trực quan hóa với Ultralytics#

Ultralytics API đơn giản hóa việc trực quan hóa các kết quả inference. Ví dụ sau minh họa cách tải một YOLO26 model và hiển thị các object được phát hiện cùng nhãn và điểm confidence trực tiếp trên hình ảnh.

from ultralytics import YOLO

# Load the latest YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    # plot() returns a BGR numpy array of the annotated image
    im_array = result.plot()
    # show() displays the image directly using the default image viewer
    result.show()

Đoạn code này tự động xử lý việc vẽ các box và nhãn, cho phép developer ngay lập tức kiểm tra khả năng của model trên các tác vụ object detection.